转子系统作为航空发动机的核心本体,长期在恶劣的环境下工作,极易引发机械疲劳与结构故障。本文针对转子系统振动类典型故障,从数据获取、特征提取、模式识别3个方面,开展了基于模糊支持向量机(Fuzzy Support Vector Machine, FSVM)的航空发动机转子系统故障诊断研究。本文首先搭建了航空发动机转子系统故障模拟实验平台,通过设置不同的故障形式,模拟了转子系统在正常工作条件、动-静碰摩故障、不平衡故障、不对中故障以及碰摩-不对中耦合故障,共计五种典型工况下的运行情况,并采集了其振动加速度数据。接着利用所采集的原始振动数据开展了基于FSVM的故障诊断实验,并分别从核函数、多分类策略以及故障特征效果等方面进行了分析,结果表明测试集故障诊断分类准确率达到84%,验证了实验的有效性。
在分类问题中,类重叠现象会大大影响分类模型的效果,针对类重叠样本的识别问题,提出了一种基于SHAP值的类重叠识别新方法,基于SHAP值构造出样本在所属类中的分类作用能力隶属属性,对类间重叠样本进行有效识别,然后利用仿真实验验证了基于SHAP的类重叠识别方法的适用性;将样本的分类作用能力归一化后构造出样本隶属度度量,并将该隶属度应用于模糊支持向量机(Fuzzy Support Vector Machine,FSVM)算法后得到FSVM_SHAP模型,通过在多个经典二分类数据集上实验得到了较好的效果,体现了该模型的有效性.
准确的云分类模型对气象监测有重要的意义,传统机器学习云分类模型依赖手工特征提取,容易受噪声数据影响,模型泛化能力较差。深度网络分类模型能自动学习图像深度特征,但是对于图像边缘与细节分类效果不佳。本文针对上述问题进行研究。首先提取Himawari-8卫星云图光谱特征、纹理特征用以训练模糊支持向量机(Fuzzy Support Vector Machine,FSVM)模型;同时利用不同通道云图训练深度网络,学习云图深度特征;最后,根据不同模型特性,训练元分类器对各模型输出进行融合,设计了一种基于深度网络与FSVM集成学习的云分类方法,该方法综合不同模型优势,利用不同模型间的互补性提高云分类结果的鲁棒性和可信度。相比单独使用FSVM或深度网络的分类模型,本文集成学习方法在众多评价指标中有更好的表现,平均命中率、平均误报率和平均临界成功指数分别达到0.9245、0.0796、0.8581;与其它云分类模型相比,本文方法也有更好的分类效果;在具体案例测试中也发现,该方法对于不同云类混合区有更高的识别精度,而且能更加准确的识别云团边缘及细节。本文模型能够满足云分类模型稳定可靠、高精度、泛化性能强的要求。
